Purchase Frequency

定义

Purchase Frequency 是购买频次，表示每个客户在一定时间周期内的平均购买次数。

它是衡量客户活跃度和复购行为的核心指标，直接影响 LTV 和业务的可持续增长。

一句话理解：Purchase Frequency 回答"客户多久买一次"。

为什么重要

获取一个新客户的成本远高于让老客户再买一次。Purchase Frequency 直接反映了客户与品牌的粘性程度。

Purchase Frequency 能帮助团队判断：

• 客户对品牌和产品的忠诚程度
• 复购策略是否有效
• 品类选择是否支持高频消费
• CRM 和会员体系是否在驱动回购
• LTV 的增长潜力有多大

LTV 的经典公式中，Purchase Frequency 是三大因子之一：

LTV = AOV x Purchase Frequency x Customer Lifespan

提升购买频次通常是提升 LTV 最高效的手段。

Growth 漏斗位置

Purchase Frequency 位于 Retention 和 Customer Value 层。

它反映的是客户在首购之后的持续购买行为：

New Buyer -> Repeat Purchase -> Purchase Frequency ↑ -> LTV ↑

计算公式

基础公式：

Purchase Frequency = Total Orders / Unique Buyers（在给定时间周期内）

按客户维度：

Customer Purchase Frequency = 该客户在周期内的订单数
Average Purchase Frequency = avg(每个客户的订单数)

年化频次：

Annualized Frequency = Orders in Period / Buyers in Period x (365 / Period Days)

统计口径

计算 Purchase Frequency 需要明确：

• 时间窗口：30 天、90 天、365 天或客户生命周期
• 订单定义：只算支付成功的订单，还是包含待发货
• 退款处理：全额退款的订单是否计入
• 客户范围：只算活跃客户还是包含沉睡客户
• 多次下单合并：同一天多笔订单是否算一次购买行为
• 新客 vs 老客：是否分开统计（新客首月频次通常低于老客）

推荐实践：按 90 天或 365 天窗口统计，排除全额退款订单，分新客/老客分析。

示例

某电商过去 90 天数据：

• 有效订单数: 45,000
• 活跃买家数: 15,000

则：

Purchase Frequency (90d) = 45,000 / 15,000 = 3.0 次

进一步分层：

• Top 10% 客户频次：8.5 次
• 中间 40% 客户频次：3.2 次
• 底部 50% 客户频次：1.2 次

SQL 思路

计算整体购买频次：

select
  date_trunc('month', paid_at) as month,
  count(distinct order_id) as total_orders,
  count(distinct user_id) as unique_buyers,
  count(distinct order_id) * 1.0 / count(distinct user_id) as purchase_frequency
from orders
where status = 'paid'
  and refund_status != 'full_refund'
group by 1
order by 1;

按客户分层分析频次分布：

with customer_freq as (
  select
    user_id,
    count(distinct order_id) as order_count
  from orders
  where status = 'paid'
    and paid_at >= current_date - interval '90 days'
  group by 1
)
select
  case
    when order_count = 1 then '1次'
    when order_count between 2 and 3 then '2-3次'
    when order_count between 4 and 6 then '4-6次'
    else '7次以上'
  end as frequency_bucket,
  count(*) as customer_count,
  count(*) * 1.0 / sum(count(*)) over() as pct
from customer_freq
group by 1
order by 1;

Dashboard 展示

建议展示方式：

• Average Purchase Frequency 趋势（按月）
• 频次分布直方图（1 次、2-3 次、4-6 次、7+ 次）
• 新客 vs 老客频次对比
• 频次 vs AOV 散点图
• 不同品类的频次差异
• 高频客户占比趋势

可视化建议：用直方图展示频次分布，用折线图跟踪平均频次趋势，标注 CRM 活动的影响。

如何优化

提升购买频次：

• 设计复购型品类结构（日用消耗品、生鲜食品）
• 订阅制和自动补货（Subscribe & Save）
• 会员积分和等级奖励制度
• 个性化复购提醒（基于历史购买周期）
• 跨品类推荐，拓展客户购买范围
• 限时专属优惠券，缩短复购间隔

降低流失风险：

• 监控购买间隔异常拉长的客户
• 沉睡客户唤醒策略（30/60/90 天未购触达）
• 分析流失客户的最后一次购买特征
• 优化售后体验，减少因不满导致的流失

常见误区

• 只看平均频次，忽略频次分布的偏态（少数高频客户拉高均值）。
• 不区分时间窗口，"频次 3.0" 在 30 天和 365 天含义完全不同。
• 把退款订单也计入频次，虚高真实复购行为。
• 用大促拉高频次，但促销结束后回落更严重。
• 不分品类分析，把高频品类和低频品类混在一起看均值。
• 忽略客户生命周期阶段，新客和 3 年老客的频次不应直接对比。

相关指标

• Repeat Purchase Rate
• Retention Rate
• LTV
• AOV
• Orders
• Buyers

面试题

1. Purchase Frequency 和 Repeat Purchase Rate 有什么区别？
2. 如何设计一个策略将平均购买频次从 2.5 提升到 3.0？
3. 频次分布呈现明显的头部效应（少数人贡献大部分订单），你怎么看？
4. 订阅制对 Purchase Frequency 的影响是什么？有什么风险？
5. 如何判断频次提升是自然增长还是促销驱动的短期行为？

企业案例

一家宠物电商发现客户 90 天 Purchase Frequency 为 1.8 次，低于行业 2.5 次基准。分析发现：

• 70% 客户只购买过狗粮/猫粮单一品类
• 购买间隔平均 45 天，但实际消耗周期为 30 天
• 缺乏复购提醒和自动补货机制

团队优化：

• 上线"自动补货"订阅功能，按消耗周期自动发货
• 首次订阅享 8 折 + 免运费
• 在订单到货后第 20 天推送复购提醒
• 推荐跨品类商品（买狗粮推荐洁牙骨、玩具）

6 个月后 90 天频次从 1.8 提升至 3.2，订阅客户频次达到 4.5，LTV 提升 78%。

PPT Notes

• Slide title: Purchase Frequency: LTV 增长的加速器
• Key message: 频次是 LTV 三因子中最容易通过运营手段提升的
• Visual: LTV = AOV × Frequency × Lifespan，高亮 Frequency
• Speaker note: 强调频次分布分析比平均值更有价值，关注订阅制和复购提醒策略